Smalldata vs. Bigdata

Small data или малые данные - информация об одном человеке. Эта информация детальная, основанная больше на интуиции. В противоположность большим данным small data собираются в привычных для целевой аудитории условиях, например, в их домах в совершенно обычный день. Small data - это, по сути, внимательное наблюдение и использование интуиции при изучении интересов потребителей.

Реклама и маркетинг статьи

25 мая 2016

Клиентские потребности находятся в одной плоскости с Big data. Но без малых данных невозможно использовать силу Big data на полную мощь. С другой стороны, опираться только на малые данные при изучении ЦА было бы слишком легкомысленно. Сила малых данных в грамотном сочетании двух подходов: small data и big data. Они, как игроки одной команды, лучший результат приносят вместе, а не по отдельности. Давайте разбираться, как грамотно использовать преимущества двух подходов.

Пример: страховая компания Blue Cross

Представьте, что все имеющиеся в распоряжении данные - это спортивные комментаторы. При этом большие данные являются комментаторами play-by-play, которые дают общую информацию, объективное описание ситуации - что, где, когда; малые данные -  это color commentary - дополнительные, более емкие и точечные факты. Color commentary (дополнительный комментарий) способствует более глубокому раскрытию контекста.

Эта метафора с игровым процессом хорошо раскрывает суть больших и малых данных. Большие данные - это констатация фактов как они есть, малые данные показывают «фишечки» процесса. Big data определяют количественные исследования, а small data - качественные. Именно поэтому использование только одного инструмента не даст достойного выхлопа маркетинговым исследованиям.

Давайте посмотрим, как работают small data на  примере страховой компании Blue Cross (страхование жизни и здоровья). Blue Cross, как и многие другие страховщики здоровья, сталкивается с проблемой реадмисии - незапланированные повторные госпитализации в больницу после основного лечения в стационаре по страховке. Показатели реадмиссии  используются для оценки качества стационарной помощи.

Проблема реадмиссий в том, что в большинстве случаев она бесполезна. Многие повторные возвращения пациентов в клиники более дорогостоящи, чем восстановление в домашних условиях. Таким образом перед компанией стояла задача понять, какие реадмиссии необходимы, а какие можно предотвратить, чтобы сократить расходы. Сокращение реадмиссии - одна из важнейших статей политики страховой компании.  

Чтобы понять, что заставляет пациентов прибегнуть к повторной госпитализации, сотрудники изучили большие объемы данных.  Blue Cross запустила алгоритмы изучения выставленных за услуги счетов, лабораторных показаний, выписанных лекарств, роста, веса пациентов и истории болезней семьи (данные play-by-play). Компания также изучила уровень бедности в районе проживания каждого конкретного пациента. Все данные по объему составили около 5 объемов Wikipedia.

Big data позволила выявить высокорисковых пациентов. Чтобы решить задачу - сократить процент возвращения пациентов - данные по высокорисковым клиентам отправили на изучение тренерам по здоровью и правильному питанию. Изучая обобщенный массив данных, специалистам удалось ответить на более точечные и конкретные вопросы типа: что осложняет восстановление пациента в домашних условиях? Как особенности поведения и привычки пациента могут помочь ему в восстановительный период? Как можно повлиять на поведение пациента? Так был использован подход small data. Получается, что small data восполняют брешь Big data.

Благодаря small data 18 тыс. клиентов Blue Cross были рекомендованы личные тренера по здоровью, что сократило реадмиссию на 40-50%. Это хороший пример того, как Big и Small Data работают в связке.

Потребности клиентов не статичны, и маркетолог всегда должен отмечать даже незначительные их колебание. В этом как раз и помогает более детальное и дотошное изучение с помощью Small data.
 

Пример: Lego

Одна из самых больших проблем сегодня - как проанализировать весь массив больших данных. Мы знаем, как собрать данные, но мы не знаем, что с ними делать. Мартин Линдстром (Martin Lindstrom), автор книги «Small data: мелочи, которые скрывают большие тренды» и разработчик бренд-стратегии Lego в 2004, считает, если мы говорим об изучении желаний наших клиентов - мы говорим о малых данных.

Все мы любим Lego, но компания не всегда была такой мощной, как сейчас. В начале 80-х Lego начала сдавать позиции. Новые более современные игрушки, включая Nintendo и видеоигры по ним, отхватили серьезный кусок рынка. Время шло, и конкуренты предлагали более успешные и сложные игры, Lego же продолжала отставать.

Какой была первая тактика бренда? Диверсификация. Lego запустила тематические парки, линию одежды, фильмы и даже собственные видеоигры. Особого ускорения такая тактика не принесла, но Lego оставалась на плаву.
 

Lego

От традиционных конструкторов Lego перешел к фильмам, играм и другим продуктам.

После 1980-х с бурным развитием интернета диджитал-туземцы, так Линдстром называет родившихся после 80-х, находились в постоянном поиске развлечений, и тогда бренды развернули кампании по захвату их внимания. Lego провела ряд исследований, и оказалось, что миллениалов ждет творческий кризис. Каждое исследование говорило, что новые поколения не готовы к вызовам. Они не будут заморачиваться над тем, что не приносит мгновенного результата и мгновенного удовлетворения. Что оставалось Lego? Меньше деталей в конструкторах, сами детали больших размеров. Они увеличили детали конструкторов, их продажи продолжали падать. Тогда в компанию пригласили Мартина Линдстрома с его философией малых данных.

Старые кроссовки и озарение

Старые кроссовки

Во время одного из своих маркетинговых исследований Мартин Линдстром с командой посетили дом немецкого школьника. Оказалось, что помимо любви к Lego, он был почти профессиональным скейтбордистом. Его попросили назвать самую ценную вещь в комнате, парень указал на пару изношенных кроссовок. Оказалось, что многочасовые тернировки на скейте сделали обувь идеально подходящей для катания. Они были старыми и потертыми, ничего особенного. Но благодаря кроссовкам, в которых он долгими часами отрабатывал упражнения на скейте, мальчик стал одним из лучших скейтеров.

Этот небольшой случай доказал, что миллениалы и поколения младше не были одержимы желанием  мгновенного результата, как на это указывали big data. История с мальчиком показала, что его обувь - некий символ уважения к делу, которым он занимается.

Lego не просто вернулись к тому, что сделало их великими. Благодаря небольшому эксперименту, который провел Линдстром, стало ясно, как раскрутить некогда популярные конструкторы. Детали конструктора стали не просто меньше, конструкторы стали более запутанными и сложными. Это был некий вызов. Сегодня продажи Lego превышают продажи крупнейшего в мире производителя игрушек, выпускающего знаменитую куклу Барби - Mattel.

Пример: робот-пылесос Roomba

Использование small data сработало не только с игрушками. Линдстром использовал эту идею при работе с другими продуктами: от робота-пылесоса Roomba до магнитов на холодильник. Это стало возможным благодаря тому, что small data помогают находить небольшие, на вид незначительные особенности продукта и превращать их в основное преимущества бренда.

Линдстром любит цитату «Если хочешь посмотреть, как по-настоящему живут животные, не иди в зоопарк, спустись в джунгли». Он называет этот процесс «видением подтекста» - подробный процесс сбора информации онлайн и офлайн, наблюдение за потребительской реакцией на продукт вплоть до того, чтобы напроситься к клиенту в гости и посмотреть, как он использует продукт.

Очень часто потребитель совершенно под иным углом раскрывает суть продукта, распознает другие его сильные стороны - то, что представители бренда могли пропустить или посчитать неважным. Благодаря этому появляется возможность построить новый имидж бренда или даже создать совершенно новый бренд.

Линдстром считает, что люди не хотят быть ассоциированы только с тем, что они делают. Мы много времени проводим на работе, но несмотря на это работа - не вся наша жизнь. У каждого из нас есть хобби и увлечения. Понимание этого Линдстром называет «смотреть сквозь рамки». Каждый пытается выразить себя - через хобби и увлечения, поэтому мы не можем ассоциировать себя только с делом, которым занимаемся. И брендам это на руку, ведь то, что покупают клиенты - это их самовыражение, их выбор - это самовыражение. Так, изучая потребительские интересы, производители Roomba пошли дальше и создали не просто моющую машину, а интерактивную веселую игрушку с функцией чистки поверхностей. И вспомните, сколько было роликов на youtube, где домашние животные владельцев  роботов-пылесосов катались на этих чудо-машинах.

Изучение небольших массивов данных - small data - кажется незначительным и бесполезным занятием, но не стоит забывать, что маленькое - это часть большого. Конечно, очень трудно следить точечно за реакцией каждого потребителя своего бренда, но это очень полезно.

Мартин Линдстром большую часть года проводит в путешествиях по земному шару, навещая огромное число людей в их собственных домах. Это помогает ему при сборе малых данных. Смогут ли пользоваться small data маркетологи, которые не ведут такой образ жизни?  Линдстром отвечает, что главное для маркетолога - находиться здесь и сейчас. Внимательно наблюдать за происходящим,а не брать в руки смартфон, как только вы почувствует скуку. Не обязательно колесить по всему миру в поисках малых данных, достаточно просто наблюдать за людьми и подмечать тенденции.